█ 脑科学动态
全新的“大脑核心”区域——灵长类动物中央小凹核心
体感电刺激影响运动决策，加速手部选择过程
个性化音乐疗法显著减轻晚期痴呆症患者的痛苦与焦虑
VU319首次临床试验成功，阿尔茨海默病治疗迎来新希望
深部脑刺激如何改善认知灵活性，助力心理健康治疗
问题赌徒的大脑更依赖慢速学习，难以规避损失
海马体炎症对雌雄小鼠行为的不同影响
认知科学中的潜在维度：理解大脑如何推断心理表征
█ AI行业动态
谷歌发布推理人工智能模型：探索更智能的计算方式
OpenAI明星研究员Alec Radford辞职，宣布将独立开展研究
Genesis 生成式物理引擎开源，开启虚拟世界新纪元
█ AI研发动态
激光神经元以10 GBaud速度超越生物神经元
AI代理协作系统帮助科学家自动发现新材料
“机器心理学”：让AI像人类一样学习和思考
微型机器人如何像蚂蚁一样共同工作
GenEx：仅凭一张图片构建完整世界
随机噪声预训练提升神经网络学习效率，无需重量传输
脑科学动态
全新的“大脑核心”区域——灵长类动物中央小凹核心
人类和其他灵长类动物通过小凹来处理细节丰富的视觉信息，这对灵长类特有的视觉敏锐度、色觉和定向视觉注意力至关重要。浙江大学和浙江省重大神经外科疾病研究与转化重点实验室的研究人员，利用高空间分辨率的7T超高场功能磁共振成像技术，研究了灵长类动物大脑中央小凹核心的功能表示方式。研究结果表明，小凹的视觉表征极为复杂，并且揭示了一个全新的“大脑核心”区域。
研究人员开发了高空间分辨率的7T功能磁共振成像（fMRI）技术，用于研究清醒猕猴的大脑视觉皮层。猕猴在完成视觉任务时，注视不同大小和颜色的闪烁点。研究发现，猴子大脑中的小凹区域以环形排列，形成了八个表征点，每个大脑半球都有类似结构。这些环围绕着一个新发现的区域，被称为“小凹核心”，其内包含多个对细小刺激和高空间频率敏感的功能域。这一发现表明，小凹的功能不仅涉及视觉精度、色觉，还涉及对运动信息的处理，体现了大脑在视觉注意力和定向视觉中的专门化。这些研究为理解灵长类动物如何处理视觉信息提供了新的思路，同时也为视觉障碍的治疗研究提供了宝贵数据。研究发表在 Nature Neuroscience 上。
#神经技术 #视觉皮层 #小凹表征 #功能成像
阅读论文：
Qian, Meizhen, et al. “Multiple Loci for Foveolar Vision in Macaque Monkey Visual Cortex.” Nature Neuroscience, Dec. 2024, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41593-024-01810-4
体感电刺激影响运动决策，加速手部选择过程
手部选择是日常生活中的无意识决策，受目标位置等因素的影响。早稻田大学和南加州大学的Kento Hirayama、Rieko Osu和Toru Takahashi等研究人员，探讨了体感电刺激对手部选择的影响。研究表明，通过在目标呈现前对手腕施加电刺激，能够偏向促进选择受刺激的手。该研究结果为康复治疗提供了新的思路，尤其在中风等运动障碍患者中可能有重要应用。
▷体感电刺激设置。直径为 3 厘米的阳极电极连接到每侧前臂的腹侧远端，而阴极电极位于距阳极电极近端 3 厘米处。Credit: Scientific Reports (2024).
研究团队对14名右利手的健康成人进行了实验，施加单侧手腕电刺激，刺激时间为目标呈现前0、300或600毫秒。刺激通过正中神经和尺神经实现，刺激强度为80%的运动阈值。结果发现，单侧刺激显著提高了选择受刺激手的概率，并且反应时间较双侧刺激和无刺激条件下更短。特别是在目标信息模糊的情况下，刺激偏向于选择受刺激的手。这一研究表明，外周的体感输入在模糊的手部选择情境中具有重要作用，并为中风患者的运动康复提供了新的治疗思路。该研究发表在Scientific Reports期刊。
#神经技术 #手部选择 #电刺激 #运动康复
阅读论文：
Hirayama, Kento, et al. “Somatosensory Stimulation on the Wrist Enhances the Subsequent Hand-Choice by Biasing toward the Stimulated Hand.” Scientific Reports, vol. 14, no. 1, Sept. 2024, p. 22726. www.nature.com, https://doi.org/10.1038/s41598-024-73245-7
个性化音乐疗法显著减轻晚期痴呆症患者的痛苦与焦虑
研究表明，音乐疗法能够减轻晚期痴呆症患者的烦躁、焦虑和情绪低落。研究团队由安格利亚鲁斯金大学的Naomi Thompson领导，采用了文献回顾、访谈和问卷调查相结合的方式，提出了一种个性化的音乐疗法干预模型。
研究通过分析文献、访谈护理人员和音乐治疗师，并进行全国性问卷调查，开发了音乐疗法可能减轻晚期痴呆症患者痛苦的理论模型。该模型指出，音乐疗法应结合患者的个体需求，提供即时的情感支持和认知刺激，从而减轻焦虑、改善情绪、增强参与感。研究表明，熟悉的音乐能唤起患者早期记忆，特别是10至30岁之间的歌曲，能够帮助患者维持情感稳定。此外，音乐疗法还能促进护理人员和家属的情感交流，减少他们的压力。研究建议，音乐治疗师应培训护理人员，使其能够在日常护理中灵活应用音乐疗法。研究结果已发表于 Nature Mental Health。
#大脑健康 #音乐疗法 #痴呆症 #个性化治疗
阅读论文：
Thompson, Naomi, et al. “How and Why Music Therapy Reduces Distress and Improves Well-Being in Advanced Dementia Care: A Realist Review.” Nature Mental Health, vol. 2, no. 12, Dec. 2024, pp. 1532–42. www.nature.com, https://doi.org/10.1038/s44220-024-00342-x
VU319首次临床试验成功，阿尔茨海默病治疗迎来新希望
阿尔茨海默病是一种影响记忆和认知功能的退行性神经病，尚无有效治疗方法。为解决这一问题，范德比尔特大学的沃伦神经科学药物发现中心开展了VU319的药物开发工作，研究团队通过多年的基础和转化研究，成功完成了VU319的I期临床试验，显示出其在治疗阿尔茨海默病和精神分裂症等疾病中的潜力。
VU319是一种M1正变构调节剂（M1 PAM），通过增强乙酰胆碱在M1受体上的作用来提高认知能力。在多种前临床模型中，VU319表现出显著的疗效，并且在大鼠、狗和非人类灵长类动物中未见显著副作用，特别是没有胆碱能副作用。通过I期临床试验，研究人员观察到在最高剂量下，VU319成功地与靶受体结合并发挥作用，并且没有出现常见的药物副作用，证明了VU319能够选择性地调节大脑M1受体而不会引发不良反应。这一研究为VU319在阿尔茨海默病等神经退行性疾病中的应用提供了科学依据。研究发表在ACS Chemical Neuroscience 上。
#大脑健康 #阿尔茨海默病 #M1受体 #临床试验
阅读论文：
Poslunsey, Michael S., et al. “Discovery of VU0467319: An M1 Positive Allosteric Modulator Candidate That Advanced into Clinical Trials.” ACS Chemical Neuroscience, Dec. 2024. ACS Publications, https://doi.org/10.1021/acschemneuro.4c00769
深部脑刺激如何改善认知灵活性，助力心理健康治疗
许多心理健康障碍，如抑郁症和成瘾，常伴随决策灵活性不足的问题。针对这一问题，明尼苏达大学医学院的研究团队开发了一个临床前模型，通过模拟人类脑刺激疗法，探索其对认知控制的影响。研究发现，脑刺激能够改善大脑处理相互矛盾证据的能力，从而提高决策灵活性。
研究团队使用深部脑刺激（DBS）技术对大鼠进行刺激，采用“设定转变任务”来测试反应时间和决策准确性。实验结果表明，中纹状体（midstriatum）刺激能够显著降低大鼠的反应时间，但不会影响其准确性，这与之前在人类中的研究结果相符。进一步的计算模型分析显示，脑刺激通过增强证据积累速率和降低决策阈值来优化认知控制过程。此外，研究人员还通过对已有的临床数据进行补充分析，发现相同的机制也适用于人类。这一研究表明，认知控制的提升可能是评估深部脑刺激疗法有效性的一个关键指标，未来有望应用于临床治疗中，帮助改善多种精神障碍的症状。研究发表在 Science Translational Medicine 上。
#大脑健康 #认知控制 #深部脑刺激 #精神障碍
阅读论文：
Reimer, Adriano E., et al. “Striatal Stimulation Enhances Cognitive Control and Evidence Processing in Rodents and Humans.” Science Translational Medicine, vol. 16, no. 778, Dec. 2024, p. eadp1723. science.org (Atypon), https://doi.org/10.1126/scitranslmed.adp1723
问题赌徒的大脑更依赖慢速学习，难以规避损失
赌博障碍影响了全球数百万成年人，导致严重的财务和社会问题。然而，其神经基础仍不清楚，阻碍了有效治疗的发展。加州理工学院的John O'Doherty团队开展了研究，通过功能性磁共振成像（fMRI）和计算模型分析，比较了问题赌徒和娱乐性赌徒的学习模式。研究发现问题赌徒过度依赖慢速学习，表现出行为调整能力的受损。
研究招募了20名问题赌徒和20名娱乐性赌徒，参与者在fMRI扫描下完成了涉及奖励学习和损失规避的任务。研究采用了计算模型拟合技术，发现问题赌徒在面对损失时过度依赖慢速学习（slow learning），而快速学习（fast learning）的依赖性减弱。慢速学习指通过整合多次事件的结果来获得稳定预测，但这种方式在快速变化的赌博环境中表现出显著不足。
fMRI结果显示，与慢速学习相关的壳核（putamen）和内侧前额叶皮层（PFC）在问题赌徒中的活动显著增强。同时，岛叶皮层（insula）在损失条件下的预测误差编码更强，表明问题赌徒在损失后调整决策的能力受损。这种神经计算差异可能导致问题赌徒在损失后更倾向于持续赌博行为。研究结果发表在 Journal of Neuroscience 上，为理解赌博障碍的神经机制提供了新视角。
#认知科学 #赌博障碍 #慢速学习 #岛叶皮层
阅读论文：
Iigaya, Kiyohito, et al. “Computational and Neural Evidence for Altered Fast and Slow Learning from Losses in Problem Gambling.” Journal of Neuroscience, Nov. 2024. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.0080-24.2024
海马体炎症对雌雄小鼠行为的不同影响
海马体神经炎症在多种疾病中被观察到，并且会影响动机行为，尤其在性别上表现出显著差异。悉尼科技大学的研究团队，主要包括大脑与行为实验室的劳拉·布拉德菲尔德博士等人，探索了海马神经炎症如何改变小鼠的行为及其性别差异。研究采用脂多糖（LPS）诱导小鼠海马神经炎症，观察其对小鼠行为的具体影响。
▷1. 训练小鼠按下左、右杠杆以获得颗粒和蔗糖结果（平衡），2. 小鼠偏爱两种结果之一的饱腹感，从而使其贬值，3. 小鼠可以在两个杠杆之间进行选择，但没有任何结果。Credit: Brain, Behavior, and Immunity (2024).
研究人员首先通过脂多糖（LPS）引发神经炎症，观察到海马神经元在与胶质细胞共同作用时被激活。进一步研究发现，脂多糖直接注射到小鼠的海马体中，显著增加了两性小鼠的运动活动，并加速了目标导向学习。然而，脂多糖引发的海马神经炎症对食物寻找行为和记忆产生了性别特异性影响：雌性小鼠的食物寻找行为和记忆受到了更大的干扰，而雄性小鼠的影响较小。慢性神经炎症还导致雌性小鼠神经元激活水平的增加，而雄性小鼠则出现神经元激活的减少。研究结果表明，性别差异在神经炎症引起的行为改变中发挥着关键作用。研究发表在 Brain Behavior and Immunity 上。
#大脑健康 #神经炎症 #性别差异 #脂多糖
阅读论文：
“Hippocampal Neuroinflammation Induced by Lipopolysaccharide Causes Sex-Specific Disruptions in Action Selection, Food Approach Memories, and Neuronal Activation.” Brain, Behavior, and Immunity, vol. 124, Feb. 2025, pp. 9–27. www.sciencedirect.com, https://doi.org/10.1016/j.bbi.2024.11.011
认知科学中的潜在维度：理解大脑如何推断心理表征
知科学中的心理表征虽然无法直接观察，但通过数学模型和推断算法，研究人员可以探索这些表征。尽管已有多种推断方法，如何选择适合的算法并正确解读潜在空间仍是一个挑战。本文回顾并分析了多种嵌入算法，如主成分分析（PCA）和t-SNE，探讨了这些算法如何通过处理各种数据（如神经影像数据、人类判断等）来揭示潜在的心理特征。
研究指出，潜在维度的性质与所选算法密切相关，不同的算法在处理数据时会产生不同的潜在表示。例如，有些算法可能侧重于提高预测性能，而有些则优先考虑维度的可解释性。研究表明，潜在维度的数量并不是评估其信息量的最佳标准，维度的功能性和内在结构才是更关键的指标。此外，论文还讨论了如何在不同的认知科学研究中，依据具体的研究问题来选择合适的算法，并指出尽管嵌入空间的维度可以揭示大脑的认知结构，但其解读仍然具有挑战性。研究发表在 Trends in Cognitive Sciences 上。
#认知科学 #心理表征 #潜在空间 #神经影像数据
阅读论文：
Roads, Brett D., and Bradley C. Love. “The Dimensions of Dimensionality.” Trends in Cognitive Sciences, vol. 28, no. 12, Dec. 2024, pp. 1118–31. www.cell.com, https://doi.org/10.1016/j.tics.2024.07.005
AI 行业动态
谷歌发布推理人工智能模型：探索更智能的计算方式
谷歌近日发布了其新的推理人工智能模型——Gemini 2.0 Flash Thinking Experimental，这一模型目前处于实验阶段，虽然有一定的进展，但从测试结果来看仍有改进空间。该模型可以在谷歌的AI原型平台AI Studio上使用，旨在提升在编程、数学和物理等复杂问题上的推理能力。Gemini 2.0被描述为“最适合多模态理解、推理和编码”，能够应对一些非常复杂的推理任务。
谷歌人工智能研究部门（Google DeepMind）的首席科学家Jeff Dean表示，Gemini 2.0通过增强推理过程中的思维能力，能在处理问题时给出更精确的答案。与传统人工智能模型不同，推理模型能够进行自我事实检查，有助于避免一些常见的错误。然而，这些模型的一个缺点是，它们的计算速度较慢，通常需要几秒到几分钟的时间才能得出答案。
尽管Gemini 2.0在某些领域取得了积极成果，但在实际应用中仍有瑕疵。例如，当被问及“草莓”一词中有多少个“R”时，模型错误地回答了“两”个。虽然这一问题可能是模型当前阶段的局限性所致，但它突显了推理模型在实际应用中的挑战。
目前，谷歌并非唯一一家在推理模型方面有所突破的公司。DeepSeek和阿里巴巴等公司也在推出自己的推理模型，竞争愈加激烈。尽管推理模型有望在未来对生成型人工智能（Generative AI）的改进产生重要影响，但高昂的计算成本和不确定的进展速度仍然是这一领域的主要挑战。
#推理人工智能 # Gemini 2.0 # 计算机科学 # 谷歌人工智能 # AI模型
阅读更多：
https://deepmind.google/technologies/gemini/flash/
OpenAI明星研究员Alec Radford辞职，宣布将独立开展研究
Alec Radford，OpenAI的明星研究员，近日宣布辞去在公司的职务，计划独立开展自己的研究。Radford因在生成式预训练模型（GPT）领域的开创性工作而广受赞誉，他是GPT-1、GPT-2、CLIP和Whisper等多个重要项目的第一作者。他的学术论文被引用超过18万次，奠定了他在人工智能领域的传奇地位。
Radford自2016年加入OpenAI，成为公司历史上资历最深的员工之一。他不仅在GPT系列模型的发展中扮演了关键角色，还参与了语音识别模型Whisper和图像生成模型DALL-E的研发。这些技术推动了自然语言处理、语音识别和计算机视觉领域的突破，为人工智能的发展作出了重要贡献。虽然Radford离开了OpenAI，他表示将继续与该公司及其他AI开发者保持合作，并计划开展独立的研究项目。
#AlecRadford #GPT模型 #人工智能 #Whisper
阅读更多：
https://www.theinformation.com/briefings/senior-openai-researcher-radford-departs
Genesis 生成式物理引擎开源，开启虚拟世界新纪元
2024年12月19日，华人研究团队发布了震撼科技界的开源生成式物理引擎——Genesis。该项目由卡内基梅隆大学机器人研究所博士生Zhou Xian和淦创教授领导，历时两年，联合了全球20多家研究机构。Genesis的推出为机器人、具身人工智能和物理仿真领域带来了革命性突破。
Genesis能够模拟4D动态世界，并具备极高的性能。它的物理引擎速度比传统GPU加速的模拟器快10至80倍，且不影响模拟的精确度。通过简单易用的API和并行计算，Genesis支持各种物理现象和材料的建模，并能实现照片级真实感的光线追踪渲染。最令人惊叹的是，它还能通过自然语言生成不同模式的数据，涵盖3D场景、角色动作、机器人策略等多个领域。
该引擎不仅能生成精确的物理视频，还能支持机器人在仿真环境中快速学习并迁移到现实世界。Zhou Xian展示了在单台RTX 4090上，Genesis模拟速度比实时快430,000倍，极大提升了机器人训练的效率。
Genesis的开源也引发了科技社区的热烈关注，GitHub上的星标数在短时间内突破1500个，吸引了全球开发者加入。项目团队的最终目标是通过这个平台，推动具身AGI（人工通用智能）的发展，实现机器人与物理世界的无缝交互。
#物理引擎 #生成式AI #机器人 #开源技术
阅读更多：
https://github.com/Genesis-Embodied-AI/Genesis
AI 研发动态
激光神经元以10 GBaud速度超越生物神经元
在人工智能与先进计算领域，提升计算速度和效率一直是重要课题。香港中文大学的黄超然团队针对传统光子神经元的速度瓶颈，开发了一种新型激光分级神经元。该神经元通过电注入量子点激光器，克服了传统神经元在响应速度上的限制，提供了超高的处理速度。
▷Credit: Chaoran Huang, Chinese University of Hong Kong
研究人员采用一种电注入量子点激光器，通过创新的信号注入方法，成功模拟了生物分级神经元的动态响应。与光子尖峰神经元相比，这种激光神经元能够避免脉冲响应的延迟问题，从而实现了10 GBaud的超高信号处理速度。这一速度远超生物神经元，并能够处理大规模的数据任务。在实验中，激光神经元成功完成了心律失常检测（准确率98.4%）和手写数字分类（准确率92.3%）等任务。此外，研究人员还构建了一个储层计算（RC）系统，通过高效的信息处理，进一步提升了神经元在AI领域的应用潜力。未来，随着多个激光神经元的级联，计算能力有望得到更大提升。研究发表在 Optica 上。
#神经技术 #人工智能 #激光神经元 #储层计算
阅读更多：
Nie, Yikun, et al. “Integrated Laser Graded Neuron Enabling High-Speed Reservoir Computing without a Feedback Loop.” Optica, vol. 11, no. 12, Dec. 2024, pp. 1690–99. opg.optica.org, https://doi.org/10.1364/OPTICA.537231
AI代理协作系统帮助科学家自动发现新材料
随着科学研究的日益复杂，生成创新假设已成为科学家们面临的核心挑战。麻省理工学院（MIT）的研究人员，Alireza Ghafarollahi和Markus Buehler，开发了SciAgents，一个多智能体协作框架，旨在自动生成和优化跨学科的研究假设。这一方法基于知识图谱和大型语言模型，通过AI与人类合作，推动科学发现的进程。
▷开发的多智能体图形推理系统概述。Credit: Advanced Materials (2024).
SciAgents系统基于本体论知识图谱（ontological knowledge graphs），将不同科学概念和研究领域进行关联，为生成假设提供数据支持。系统利用多种AI代理协作，首先通过“本体论”模型定义科学术语和关系，接着由“科学家1”模型提出假设，并由“科学家2”进一步完善，最后通过“批评家”模型分析假设的优缺点并提出改进。通过这种方式，AI不仅能生成创新假设，还能评估假设的可行性，并为进一步实验提供指导。
在应用到生物启发材料领域时，系统提出了一种新型生物复合材料的研究假设，该材料在提高光学和机械性能的同时，减少了能量消耗，具有较好的可持续性。这一发现为材料科学开辟了新的方向，并展示了AI在自动化科研中的巨大潜力。研究人员计划在未来通过这一系统生成更多的科研假设，并不断优化和改进。研究发表在 Advanced Materials 期刊上。
#认知科学 #人工智能 #科研假设生成 #多智能体系统
阅读更多：
Ghafarollahi, Alireza, and Markus J. Buehler. “SciAgents: Automating Scientific Discovery Through Bioinspired Multi-Agent Intelligent Graph Reasoning.” Advanced Materials, vol. n/a, no. n/a, p. 2413523. Wiley Online Library, https://doi.org/10.1002/adma.202413523
“机器心理学”：让AI像人类一样学习和思考
通用人工智能（AGI）一直是人工智能研究的核心目标，但至今没有任何技术能够像人类一样完成复杂的认知任务。林雪平大学的Robert Johansson提出通过“机器心理学”结合学习心理学和自适应AI模型来解决这一问题。他的研究不仅涵盖了AI模型的设计，还涉及了操作性条件反射等心理学学习原则，展示了这一方法在AGI发展中的潜力。
Johansson的研究采用了“非公理推理系统”（NARS）这一适应性计算机系统，并将学习心理学中的多个实验范式应用于该系统，探索了AI如何像人类一样从经验中学习并适应新环境。研究中，操作性条件反射被用来培养AI的基本适应性行为，随着系统与环境的互动，AI逐步发展出越来越复杂的认知能力。通过使用“广义身份匹配”、“功能等价”及“任意适用的关系反应”等实验方法，研究展示了机器心理学作为一种新的框架，能够推动AI系统的认知能力逐步接近人类智能。此方法为AGI的发展提供了新的思路，帮助AI在面临不完全数据和复杂情境时，依然能够展示出灵活和适应性强的行为。
#认知科学 #人工智能 #机器心理学 #适应性人工智能
阅读更多：
Johansson, Robert. Empirical Studies in Machine Psychology. 2024. liu.diva-portal.org, https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-208356
微型机器人如何像蚂蚁一样共同工作
在微型机器人群体执行复杂任务时，如何公平有效地分配每个机器人的贡献，一直是一个技术难题。康斯坦茨大学的Clemens Bechinger领导的研究团队，采用多智能体强化学习（MARL）方法，提出了一种新的控制策略。通过引入反事实奖励机制，研究人员能够精准控制每个微型机器人在群体中的行为，并确保群体协作的高效性。
▷模拟中不同奖励方案的比较。Credit: Science Robotics (2024).
研究人员使用了多智能体强化学习（MARL）控制策略，采用激光束精确控制每个微型机器人的运动。学习过程中使用反事实奖励（counterfactual rewards）来评估每个机器人的贡献，确保它们的努力被合理分配。实验表明，微型机器人群体能够有效地协作，成功地将货物运输到指定位置，类似于蚂蚁搬运物品的行为。此控制策略的优势在于其高度灵活性，能够适应群体规模、机器人故障和环境变化等不确定性。此外，研究还展示了机器人群体能够同时操控多个物体，这为微型机器人的实际应用提供了强有力的支持。该研究为微型机器人在自动化组装、药物输送和实验室芯片等领域的应用奠定了基础，推动了机器人技术向更高层次的智能化发展。研究发表在 Science Robotics 上。
#神经技术 #微型机器人 #强化学习 #集体行为
阅读更多：
Heuthe, Veit-Lorenz, et al. “Counterfactual Rewards Promote Collective Transport Using Individually Controlled Swarm Microrobots.” Science Robotics, vol. 9, no. 97, Dec. 2024, p. eado5888. science.org (Atypon), https://doi.org/10.1126/scirobotics.ado5888
GenEx：仅凭一张图片构建完整世界
人工智能在探索和理解三维物理世界方面一直面临重大挑战。约翰·霍普金斯大学的计算机科学家通过开发名为“生成世界浏览器”（GenEx）的系统，迈出了向这一目标迈进的重要一步。GenEx能够通过一张静态图像生成完整的三维世界，并以视频流的形式呈现，增强了AI对未知环境的推理能力。
▷三种可以相互转换的全景表示形式。Credit: arXiv (2024).
GenEx系统基于生成式想象（generative imagination）模型，只需一张RGB图像便能生成一个三维一致的虚拟环境，并进行预测性推理。该系统利用从虚幻引擎（Unreal Engine）获取的3D世界数据，能够捕捉360度的环境，帮助AI代理进行复杂的体感任务，如目标驱动导航和目标无关探索。实验结果显示，GenEx不仅在长时间内保持环境的一致性，还能够通过生成的世界数据，帮助AI代理进行更明智的决策。GenEx的开发为具身AI提供了新的突破，尤其是在虚拟世界和真实世界探索方面具有广泛应用潜力。
#认知科学 #生成式想象 #三维世界建模 #虚拟现实 #人工智能
阅读更多：
Lu, Taiming, et al. GenEx: Generating an Explorable World. arXiv:2412.09624, arXiv, 18 Dec. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2412.09624
随机噪声预训练提升神经网络学习效率，无需重量传输
过去，人工神经网络的学习方法依赖于误差反向传播（error backpropagation），但这一方法在生物大脑中难以实现，因为大脑无法进行重量传输。为了解决这一问题，KAIST的Se-Bum Paik团队提出，通过模仿大脑在学习前的自发随机活动，利用随机噪声预训练人工神经网络，以此提高学习效率和泛化能力，且无需重量传输。
这项研究采用了带有反馈对齐算法（feedback alignment）的神经网络，在网络中通过随机噪声进行预训练，从而调整网络的前向权重，使其与后向突触反馈对齐，提升了学习效率。研究表明，经过随机噪声预训练的网络能够显著加快学习速度，甚至达到与误差反向传播算法相似的收敛速度。此外，结合随机噪声和实际数据进行顺序训练，比仅用数据训练能使权重更加精确地进行误差信号分配，从而加快学习过程。
该研究还发现，随机噪声预训练降低了神经网络的权重维度，减少了泛化损失，提高了对未知数据集的适应能力。同时，预训练也减少了元损失（meta-loss），增强了网络在不同任务中的适应性。这些发现为神经网络提供了一种高效、可靠的预训练方法，推动了神经形态计算和人工智能领域的进展。
#神经技术 #随机噪声训练 #反馈对齐 #人工神经网络
阅读更多：
Cheon, Jeonghwan, et al. Pretraining with Random Noise for Fast and Robust Learning without Weight Transport. arXiv:2405.16731, arXiv, 27 May 2024. arXiv.org, https://doi.org/10.48550/arXiv.2405.16731
整理｜ChatGPT
编辑｜丹雀、存源
关于追问nextquestion
天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。如果您有进一步想要讨论的内容，欢迎评论区留言，或添加小助手微信questionlab，加入社群与我们互动。
关于天桥脑科学研究院
天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。
Chen Institute与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工天桥神经科学研究院。
Chen Institute建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、中文媒体追问等。
热门跟贴